Fugu-MT 論文翻訳(概要): Divide et impera: hybrid multinomial classifiers from quantum binary models

論文の概要: Divide et impera: hybrid multinomial classifiers from quantum binary models

arxiv url: http://arxiv.org/abs/2604.08094v1
Date: Thu, 09 Apr 2026 11:09:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-10 18:34:05.87659
Title: Divide et impera: hybrid multinomial classifiers from quantum binary models
Title（参考訳）: ディバイドとインペラ:量子二項モデルからのハイブリッド多項分類器
Authors: Simone Roncallo, Angela Rosy Morgillo, Seth Lloyd, Chiara Macchiavello, Lorenzo Maccone,
Abstract要約: 1-vs-one、ワン-vs-rest、バイナリ決定ツリーといった戦略を採用して、ハイブリッドなアプローチを採用しています。決定木はコスト効率のよい解であり,クラス総数において最大対数的なオーバーヘッドを持つ他の手法と類似の精度を達成できることを示す。
参考スコア（独自算出の注目度）: 1.1526546449734865
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We investigate how to combine a collection of quantum binary models into a multinomial classifier. We employ a hybrid approach, adopting strategies like one-vs-one, one-vs-rest and a binary decision tree. We benchmark each method, by emphasizing their computational overhead and their impact on the quantum advantage. By comparison against a classical binary model (generalized using the same approach), we show that the decision tree represents a cost-effective solution, achieving similar accuracies to other methods with an overhead at most logarithmic in the total number of classes.
Abstract（参考訳）: 量子二項モデルの集合を多項分類器に組み合わせる方法について検討する。 1-vs-one、ワン-vs-rest、バイナリ決定ツリーといった戦略を採用して、ハイブリッドなアプローチを採用しています。計算オーバーヘッドと量子優位性への影響を強調して,各手法をベンチマークする。古典的二項モデルと比較すると(同じアプローチで一般化された)、決定木はコスト効率のよい解を示し、クラス総数において最も対数的なオーバーヘッドを持つ他の手法と類似の精度を達成する。

関連論文リスト

Tree-Based Deep Learning for Ranking Symbolic Integration Algorithms [0.0]
木に基づくディープラーニングモデルを用いた機械学習(ML)アプローチを2段階アーキテクチャで提案する。木構造として表現された数学的表現は,性能を著しく向上させる。我々のモデルは70,000のサンプルホールトアウトテストセット上で最適な方法を選択する際に90%近い精度を達成する。
論文参考訳（メタデータ） (2025-08-08T15:13:39Z)
Achieving More with Less: A Tensor-Optimization-Powered Ensemble Method [53.170053108447455]
アンサンブル学習(英: Ensemble learning)は、弱い学習者を利用して強力な学習者を生み出す方法である。我々は、マージンの概念を活かした滑らかで凸な目的関数を設計し、強力な学習者がより差別的になるようにした。そして、我々のアルゴリズムを、多数のデータセットの10倍の大きさのランダムな森林や他の古典的な手法と比較する。
論文参考訳（メタデータ） (2024-08-06T03:42:38Z)
A Unified Approach to Extract Interpretable Rules from Tree Ensembles via Integer Programming [2.1408617023874443]
ツリーアンサンブルは非常に人気のある機械学習モデルであり、教師付き分類と回帰タスクの有効性で知られている。我々の研究は、訓練された木アンサンブルから最適化されたルールのリストを抽出することを目的としており、ユーザーは完全なモデルの予測力をほとんど保持する凝縮された解釈可能なモデルを提供する。我々の広範な計算実験は,木アンサンブルに対する予測性能と忠実度の観点から,本手法が他のルール抽出法と競合することを示す統計的に有意な証拠を提供する。
論文参考訳（メタデータ） (2024-06-30T22:33:47Z)
Quantum-inspired attribute selection algorithm: A Fidelity-based Quantum Decision Tree [1.6190746208019742]
古典的な決定木は、そのクラスラベルに対応するランダムな事象の発生を利用する分割措置に完全に基づいている。本稿では、量子分割基準として忠実度を用いて、効率よくバランスの取れた量子決定木を構築することを提案する。
論文参考訳（メタデータ） (2023-10-27T16:29:42Z)
Multi-Classification using One-versus-One Deep Learning Strategy with Joint Probability Estimates [0.0]
提案モデルは他の最先端モデルよりも一般的に高い分類精度が得られる。異なる応用における数値実験により,提案モデルが他の最先端モデルよりも一般的に高い分類精度を達成できることが示されている。
論文参考訳（メタデータ） (2023-06-16T07:54:15Z)
Counting Like Human: Anthropoid Crowd Counting on Modeling the Similarity of Objects [92.80955339180119]
メインストリームの群衆計数法は密度マップを補強して計数結果を得るために統合する。これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
論文参考訳（メタデータ） (2022-12-02T07:00:53Z)
Personalized Federated Learning via Convex Clustering [72.15857783681658]
本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
論文参考訳（メタデータ） (2022-02-01T19:25:31Z)
Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文参考訳（メタデータ） (2021-05-11T03:38:16Z)
Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文参考訳（メタデータ） (2020-06-05T20:54:11Z)
Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文参考訳（メタデータ） (2020-01-06T23:33:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。